【牛津大学博士论文】使用图神经网络进行知识图谱的深度学习

学术   2024-11-05 17:05   北京  
来源:专知

本文约1000字,建议阅读5分钟

在本论文中,我们针对利用GNN进行知识图谱的深度学习,考察了归纳性知识图谱补全和知识增强推荐任务,提出了新的基于GNN的方法以应对这些挑战。


知识图谱(KGs)正在重塑关于世界信息的表示、组织和利用的范式。知识图谱提供了丰富的语义信息,并已成为人工智能(AI)的驱动力之一。KG的研究主要有两个重要方向:一是构建和提高知识图谱的质量,二是深入探讨知识图谱的广泛应用。近年来,图神经网络(GNNs)也取得了显著进展。GNN是一类适用于图领域的深度学习技术,在许多任务中表现出令人鼓舞的性能。尽管已有研究尝试将GNN应用于KG相关任务,但模型功能设计、可扩展性问题、因传导性而只能预测训练中观察到的实体的局限性,以及基准质量等方面仍存在诸多挑战。在本论文中,我们针对利用GNN进行知识图谱的深度学习,考察了归纳性知识图谱补全和知识增强推荐任务,提出了新的基于GNN的方法以应对这些挑战。我们的广泛实证评估显示,所提出的方法在多种基准任务上优于最先进的方法,并能够在实际应用中实现高效的训练和测试。
我们还进一步探讨了KG补全问题,通过重新审视传导性设定下的基准测试。特别地,我们提出了一种新的方法来生成基准,以帮助实证评估模型捕捉推理模式的能力。我们的研究结果突显了理论结果与实际推理能力之间的差距。



关于我们

数据派THU作为数据科学类公众号,背靠清华大学大数据研究中心,分享前沿数据科学与大数据技术创新研究动态、持续传播数据科学知识,努力建设数据人才聚集平台、打造中国大数据最强集团军。




新浪微博:@数据派THU

微信视频号:数据派THU

今日头条:数据派THU


数据派THU
清华大数据研究中心官方平台,发布团队科研、教学等最新动态及大数据领域的相关信息~
 最新文章